<code id="cdcpe"><samp id="cdcpe"></samp></code>
<acronym id="cdcpe"><form id="cdcpe"><optgroup id="cdcpe"></optgroup></form></acronym>

      <cite id="cdcpe"></cite>

      學校網站 ENGLISH

      人才強校︱劉劍鋒團隊在《Bioinformatics》在線發表數量遺傳學最新成果

      動科學院 2019年05月13日 報道 瀏覽次數:

      本網訊 近日,生物信息學著名雜志《Bioinformatics》 (5-Year IF: 8.561)在線發表動物科學技術學院劉劍鋒團隊縱向數據全基因組關聯分析方法研究的新成果:“Efficient Multivariate Analysis Algorithms for Longitudinal Genome-wide Association Studies”。

      縱向數據指的是一個個體有多個表型測量值,并且表型值隨時間發生動態變化,研究縱向數據是探究復雜性狀的動態控制機制的有效手段。然而現存的縱向數據分析方法大多忽略了不同時間點之間的相關性或者存在計算瓶頸。鑒于此,本研究基于矩陣特征分解和估計育種值重轉化思想,系統性提出縱向數據全基因關聯分析優化檢驗方法和方差組分估計策略,并開發形成實際應用計算平臺GMA。相對于已有分析方法,GMA顯著提高關聯分析的檢驗功效和計算效率,對于非平衡縱向數據(不同個體測量表型的時間點不統一),分析萬條以上記錄數據可在數小時內完成,而相應的對于平衡縱向數據(不同個體測量表型的時間點統一),運行時間在十分鐘完成。他們將GMA方法應用到團隊產生的奶牛產奶性狀非平衡數據和公共數據庫下載的小鼠生長性狀平衡數據,發現主效QTL的效應軌跡和表型變化軌跡一致,說明主效QTL可能決定表型軌跡的形狀。同時,對于小鼠的生長性狀,GMA新定位到了一個QTL,這個QTL的效應軌跡呈現中期和初末期效應相反的情況,與表型軌跡不一致,說明其他微效QTL可能對表型軌跡起到調節的作用。GMA方法為縱向復雜性狀基因挖掘、遺傳解析和基因組選擇實際應用提供了可行條件。

      動科學院劉劍鋒教授是該論文的通訊作者,團隊博士研究生寧超是論文的第一作者,團隊成員周磊副教授和康慧敏博士、加州大學河濱分校的Shizhong Xu教授以及密歇根大學的Xiang Zhou教授是本研究的合作作者。

      圖注The phenotypic and significant SNPs changing pattern for body weight in the mouse data. (A) The average phenotypic values plotted against age (from week 1 to week 16 incremented by 1); (B) The predicted growth trajectories of QTL effects for all significant SNPs between 112Mb and 128Mb on chromosome 10 by the GMA-fixed method; (C) The predicted growth trajectories of QTL effects for all significant SNPs between 75Mb and 88Mb on chromosome 13 by the GMA-fixed method; (D) The predicted growth trajectories of QTL effects for all significant SNPs between 118Mb and 125Mb on chromosome 10 by uvMLM-min method.

      責任編輯:潘彩清
      分享到: 更多
      標簽:
      Produced By 大漢網絡 大漢版通發布系統 香港伦理电影